Principales puntos
- PyTorch llega a las TPU de Google: TorchTPU permite ejecutar aplicaciones de IA en los chips de la compañía sin reescribir el código de los proyectos existentes.
- Amazon también entró en la disputa: con TorchNeuron, la compañía quiere facilitar la migración de aplicaciones a sus chips Trainium y a la infraestructura de AWS.
- Nvidia enfrenta una nueva presión: Google y Amazon intentan reducir la dependencia de los desarrolladores de las GPU del líder del mercado.
Nvidia construyó una de las posiciones más sólidas de la industria de la inteligencia artificial no solo gracias a sus chips, sino también al ecosistema de software que los acompaña. Ahora, Google y Amazon están atacando precisamente esa ventaja.
El martes 20 de octubre, Google anunció la disponibilidad de TorchTPU como proyecto de código abierto. La herramienta permite ejecutar aplicaciones desarrolladas con PyTorch, uno de los frameworks más populares del sector, en los procesadores de IA Tensor Processing Units (TPU) de la compañía.
La estrategia es sencilla de entender, pero importante para el mercado: si los desarrolladores pueden utilizar otros chips sin reconstruir sus aplicaciones, Nvidia pierde parte de la ventaja que mantiene sobre sus competidores.
🧩 La batalla comienza en el software
PyTorch es una herramienta de código abierto utilizada para desarrollar, entrenar y ejecutar modelos de inteligencia artificial. Creado originalmente por Facebook, hoy Meta, en 2016, el framework ganó popularidad entre investigadores, startups y grandes empresas.
Su popularidad también contribuyó a consolidar el ecosistema de Nvidia. Como las GPU del fabricante ya se utilizaban ampliamente en la investigación en IA, buena parte de las herramientas y los flujos de trabajo del sector se construyeron pensando en ese hardware.
En 2022, Meta transfirió PyTorch a la Linux Foundation, una organización sin fines de lucro que administra diversos proyectos de código abierto.
💡 El detalle que cambia el juego: no basta con ofrecer un chip potente para conquistar a los desarrolladores. Es necesario permitirles aprovechar su código, sus herramientas y sus conocimientos sin afrontar una migración costosa y laboriosa.
Precisamente ese es el obstáculo que TorchTPU pretende reducir.
🚀 TorchTPU quiere facilitar la migración
Según Google, los desarrolladores pueden adaptar aplicaciones existentes de PyTorch para ejecutarlas en las TPU mediante un simple cambio de configuración, sin necesidad de reescribir sus aplicaciones.
La herramienta también facilita la migración de estas cargas de trabajo a Google Cloud, conectando el software con la infraestructura de computación de la compañía.
En la práctica, esto puede ampliar las opciones de quienes desarrollan modelos y aplicaciones de IA. En lugar de depender exclusivamente de máquinas equipadas con GPU de Nvidia, los equipos disponen de una vía más accesible para probar los chips de Google.
🔧 Google fue más allá del framework: la compañía también lanzó el TPU Agent Suite en GitHub, un conjunto de herramientas diseñado para ayudar a los desarrolladores a migrar aplicaciones a sus TPU e identificar o corregir errores durante el proceso.
La empresa también actualizó LiteRT, su tecnología para ejecutar modelos de IA en dispositivos como teléfonos móviles, portátiles y sistemas integrados, con el objetivo de mejorar la compatibilidad con aplicaciones basadas en PyTorch.
🥊 Amazon llegó primero en esta ronda
El movimiento de Google se produce un día después de que Amazon anunciara TorchNeuron, su propia iniciativa para acercar PyTorch a los chips Trainium y a la infraestructura de AWS.
La propuesta sigue una lógica similar: facilitar la migración de aplicaciones existentes al hardware desarrollado por Amazon, reduciendo la necesidad de modificar el código.
Pero la compañía quiere ir más allá de crear una herramienta de compatibilidad.
Amazon también pretende contribuir al proyecto principal de PyTorch para separar determinadas funcionalidades de las dependencias específicas de las GPU de Nvidia. La idea es hacer que el framework sea más flexible y pueda funcionar con distintas arquitecturas de hardware.
💡 La disputa no consiste únicamente en fabricar alternativas a las GPU de Nvidia. Google y Amazon quieren que esas alternativas sean más fáciles de utilizar en el día a día de quienes desarrollan IA.
🤝 Google apuesta por la compatibilidad del ecosistema
Google afirma haber trabajado directamente con empresas y proyectos importantes del universo de la inteligencia artificial para garantizar que TorchTPU funcione bien con herramientas populares.
Entre los participantes se encuentran Meta, Hugging Face, Inferact, responsable de vLLM, y RadixArk, vinculada a SGLang.
Esta integración es relevante porque los desarrolladores no trabajan con un único framework de forma aislada. Dependen de bibliotecas, herramientas de inferencia y sistemas de ejecución que deben funcionar en conjunto.
Si una alternativa de hardware obliga a abandonar parte de ese ecosistema, el ahorro potencial puede desaparecer ante los costes de adaptación.
⚖️ ¿Perderá terreno Nvidia?
No necesariamente a corto plazo.
La facilidad para migrar aplicaciones es solo una parte de la ecuación. El rendimiento, la disponibilidad de chips, los costes operativos, el consumo energético, la estabilidad y la madurez del software también influyen en la elección de la infraestructura.
Nvidia sigue beneficiándose de un ecosistema consolidado, mientras que Google y Amazon deben demostrar que sus alternativas pueden satisfacer las necesidades reales de los desarrolladores y las empresas a gran escala.
Aun así, el avance de ambas gigantes de la computación en la nube merece atención. Las dos cuentan con chips propios, infraestructura global y servicios de IA que pueden hacer atractivas sus plataformas para clientes que buscan reducir costes o diversificar proveedores.
🔎 Qué observar a partir de ahora:
- Adopción por parte de los desarrolladores: cuántos proyectos migrarán realmente a TPU y Trainium.
- Compatibilidad en la práctica: si las aplicaciones funcionarán sin modificaciones importantes ni pérdida de rendimiento.
- Relación coste-beneficio: si las alternativas ofrecerán ventajas económicas consistentes en cargas de trabajo reales.
El movimiento también evidencia un cambio en la competencia por la infraestructura de IA. La disputa ya no se limita a quién produce los chips más potentes, sino a quién ofrece la combinación más conveniente de hardware, software y servicios.
Si Google y Amazon consiguen reducir el esfuerzo necesario para abandonar la infraestructura de Nvidia, el cambio podría producirse gradualmente, proyecto a proyecto. Y, en este mercado, hacer que la transición sea más sencilla puede ser tan importante como lanzar un chip más potente.
